摘要

以往的方法将盲超分辨率（Blind Super-Resolution, SR）问题分解为两个顺序执行的步骤：其一，从给定的低分辨率（Low-Resolution, LR）图像中估计模糊核；其二，基于估计得到的模糊核恢复高分辨率图像。这种两阶段解决方案依赖于两个独立训练的模型，二者之间可能存在兼容性问题。第一阶段的微小估计误差，可能导致第二阶段性能显著下降。另一方面，第一阶段仅能利用LR图像中的有限信息，难以准确预测高精度的模糊核。针对上述问题，我们摒弃了将两个步骤割裂处理的思路，转而采用一种交替优化算法，将模糊核估计与高分辨率图像恢复整合到一个统一模型中完成。具体而言，我们设计了两个卷积神经网络模块：称为Restorer（恢复模块）和Estimator（估计模块）。其中，Restorer基于预测的模糊核恢复高分辨率图像；而Estimator则借助恢复后的高分辨率图像，反向估计模糊核。通过反复交替运行这两个模块，并将其展开为一个端到端可训练的深度网络结构，实现了联合优化。在此框架下，Estimator能够同时利用低分辨率图像和高分辨率图像中的信息，显著提升了模糊核估计的准确性。更重要的是，Restorer在训练过程中使用的是Estimator所估计的模糊核，而非真实标签（ground-truth）核，因此对Estimator的估计误差具有更强的鲁棒性。大量实验结果表明，无论在合成数据集还是真实世界图像上，所提方法均显著优于现有先进方法，在保持更高视觉质量的同时，推理速度大幅提升。相关源代码已公开，地址为：https://github.com/greatlog/DAN.git。